安全性是汽车运行控制与驾驶行为识别研究中永恒的课题。汽车驾驶人驾驶行为日趋个性化和复杂化,汽车安全运行状态与驾驶人驾驶行为的个体关联性越来越大,由此引发的道路交通事故给人身财产和社会经济造成了大量的损失,增加了交通运输系统运行成本。为了更加科学客观的反映汽车真实的运行状态,特别是对汽车行驶速度的安全性评估,有必要研究新的评估方法,以实现行驶速度安全特征描述、判别诊断。论文选择某城市典型交通事故以及常用M1型乘用车辆行驶数据为基础样本,依托风险（Risk）与危险（Hazard）的理论关系,讨论行驶速度控制的关联要素,分析导致交通事故的主要原因;利用车载诊断系统和特定数据处理工具相结合进行自然驾驶状态数据采集,并利用数据挖掘手段甄选并构建汽车行驶速度状态安全性评估指标;应用关联分析Apriori算法,以单个驾驶行车片段为单位对数据进行分析,得到汽车速度操控行为的关联特征;针对传统的安全驾驶评价模型中存在的局限性,提出了支持向量机（SVM、RF、XGBoost等）分析决策模型,判断在固定时段、路段中驾驶人对汽车速度状态控制的安全性程度;采用K-means聚类分析和决策树分类方法得出汽车速度控制主要影响因素。基于上述研究,取得以下主要结果:（1）为了明确汽车行驶速度对汽车运行安全的影响,基于风险与危险理论,讨论了行驶速度控制的关联要素,为汽车驾驶速度运行控制、分析与评估奠定了基础。分析某城市发生的交通事故原因,深度解析人的因素,其中“行驶速度控制问题”导致的事故占41.7%,“驾驶行为不当”导致的事故占37.5%,“不遵守交通规则”导致的事故占20.8%。针对影响汽车运行安全性关键指标之一,即汽车制动性能,结合某城市冬季路面经常积雪结冰的运行条件,开展了冰雪路面制动性能试验。试验车辆分别在10km/h、20km/h、30km/h、40km/h、50km/h、60km/h 的速度水平下开展制动试验,路面分别为覆盖厚度48mm的压实冰雪路面和非冰雪路面,分析汽车行驶速度与制动时间、汽车行驶速度与制动距离之间的关系。试验结果表明,在行驶速度水平为60km/h条件下,没有冰雪覆盖的路面最小制动距离为18.36m,冰雪覆盖路面最大制动距离达94.59m;冰雪路面的制动距离与汽车行驶速度之间关系的随机性较强,汽车在冰雪路面上运行的风险增大。通过分析所有组别试验数据的平均差、标准差和变异系数,进一步确定了每组试验数据离散程度。各组数据的离散程度均随行驶速度的增高而增加,冰雪路面的制动距离与制动时间的标准差（平均差）均高于非冰雪路面,制动距离受到制动初始速度的影响较为显著,且呈现正相关关系,这说明当汽车行驶速度增加时,其制动时间与制动距离变得不稳定。汽车行驶速度状态控制对行车安全影响至关重要。（2）为了获取汽车行驶过程中的运行状态数据,利用OBD进行驾驶状态数据采集。数据采集环境考虑了车型、排量、驾驶人性别和年龄等,也兼顾季节因素。采集与驾驶人操控行为最为密切且有效数据1.16×106条,并对数据进行了数据筛选与清理,设置安全阈值和危险临界值,再进行驾驶人驾驶行为分析。采用Z-score标准化方法对编码后的数据进行标准化处理,对标准化的数据进行KMO（Kaiser-Meyer-Olkin）相关性检验,对数据的预处理提出了初步构想,为建立评价指标做准备。论文甄选并处理得到平均速度、是否超速、急加速、急减速行驶等7个参数作为汽车行驶速度状态安全性评估的指标,并对具有代表性驾驶人的行驶速度状态安全性进行了分析与评估。（3）为了得到有关汽车运行数据之间的内部逻辑关系,进行了行驶速度控制关联性特征分析。通过分析得出关联规则,即基于试验检测数据分析的结果,得到关键参数指标出现的频率;基于关联规则Apriori方法得到4条强相关规则（80%～100%）、2条关联性居中规则（50%～80%）和2条弱相关规则（0～50%）。（4）为了深入分析不同驾驶人的安全驾驶行为,取加速占比、减速占比、平均速度等参数作为数据挖掘参数变量。采用K-means聚类分析和决策树分类方法进行处理,进行了加速占比、减速占比、平均速度等指标的聚类分析,得出加速、减速占比对行驶安全有显著影响,加速、减速占比大,行车过程变速操作多,增加了汽车安全维护成本和能耗。利用汽车行驶速度、加速度等数据,对驾驶人的行驶速度控制行为进行了界定与评价。综合考虑汽车运行数据、道路情况、气候条件等因素,以可视化图像直观反映出每个驾驶人的速度控制行为及其出现不安全速度、加速度等指标概率,为不同驾驶人个体行驶速度状态安全性评估提供了重要依据。（5）利用机器学习决策模型,综合城市道路中汽车行驶速度、加速度等参数对汽车驾驶安全性进行评价。基于SVM的模式识别方法,最终得出安全驾驶、有风险驾驶和危险驾驶的分类效果。与SVM方法采用相同评价方法,同样用训练模型进行RF与XGBoost试验分析与评价,通过SVM、RF和XGBoost预测模型对驾驶行为的预测结果可以看出,三种预测模型的预测精度表现均较高。为了提高城市道路的交通安全,针对可能出现的行车过程危险驾驶行为问题,建立了各种危险驾驶行为指标的识别算法。基于试验数据通过K均值聚类算法,将驾驶人风格进行分类划分,并对训练后的模型进行验证测试,最终获得了较为理想的准确率,得到了比较理想的识别效果。论文以汽车行驶状态数据为基础,着眼于安全驾驶行为,量化评估驾驶人个体对汽车行驶速度状态控制的安全性,将其作为事故风险的评价指标,为构建微观驾驶行为安全方法体系奠定基础,为驾驶人员培训和安全意识提升提供参考,也可以为管理部门制定相关条款和法规提供决策支持。